本文研究基于深度学习的图像特征提取方法,并将其与传统的图像特征提取方法进行比较,研究多种图像特征提取方法在不同环境条件下的工作情况。通过使用微软公司提供的一定情景下常见物体图像数据库,来测量基于深度学习的图像特征提取方法与传统的图像特征提取在通常状态,图像灰度化状态和角度不定条件状态下的工作效果。拆分一定情景下常见物体图像数据库的特定类别,并整理、筛选和修改图片格式,制作多个相应数据集,即图像灰度化和角度变化数据集。分别使用基于深度学习的图像特征提取方法、基于方向梯度直方图的图像特征提取方法和基于尺度不变特征变换的图像特征提取方法对不同数据集进行特征提取。不同的图像特征提取方法,在不同环境下有着不同的工作效果。通常使用的图像特征提取方法如方向梯度直方图和尺度不变特征变换等,需要对特征的设计具有相关领域的先验知识,并且特征的设计和需要解决的任务、达成的目的有着密切的关系,模型的性能非常依赖于待处理数据的特点。论文的结构可以分为三个部分。文章的第一部分主要介绍了论文涉及到的理论知识和相关原理,其中包括方向梯度直方图和尺度不变特征变换的相关原理,以及算法中需要涉及到的支持向量机和非极大值抑制相关理论,并且还有卷积神经网络的理论和特征。文章的第二部分是实证分析环节,在这个环节里,论文将分两步展开讲述,第一步是数据的清理,分别选取了一千张人和飞机图片,其中八百张作训练集,两百张作测试集,然后本文将分别使用基于方向梯度直方图、尺度不变特征变换和卷积神经网络的特征提取模型对数据进行特征提取。文章的第三部分是总结和分析的环节。图像特征提取技术可应用在许多领域,通过比较传统特征提取方法和深度网络能够了解他们各自的特点使用环境和研究思路,为特定环境,如固定视角监控录像、晃动背景前景提取、多视角行人识别和无人机搜索救援目标等的研究应用提供帮助,本文的结论为,本文研究的结果表明基于深度学习的图像特征提取方法在通常状态下,图像灰度归一化后和角度不定条件下的准确率均高于基于机器学习的图像特征提取方法。